心电图（Electrocardiography）是一种广泛应用且无创的诊断方法，其结果的解读正越来越多地依赖于自动分析算法的支持。然而，迄今为止，自动心电图分析领域的发展一直受到两个关键瓶颈的制约：一是缺乏用于训练的合适数据集，二是缺乏统一、明确的评估方法，难以确保不同算法之间的可比性。为缓解这些问题，我们首次公布了针对近期发布且公开获取的PTB-XL数据集的基准测试结果。该数据集涵盖了多种任务，包括心电图报告的多类预测、年龄与性别预测，以及信号质量评估等。研究发现，卷积神经网络（尤其是基于ResNet和Inception架构的模型）在所有任务中均表现出最强的性能，显著优于传统的基于特征提取的算法。此外，我们还通过深入分析分类模型的隐含分层结构、模型不确定性以及初步的可解释性分析，进一步揭示了算法内部的工作机制。同时，我们还提供了针对ICBEB2018挑战赛心电图数据集的基准测试结果，并探讨了利用在PTB-XL数据集上预训练的分类器进行迁移学习的潜力。本研究旨在推动PTB-XL数据集成为心电图分析算法结构化基准测试的重要资源，鼓励更多该领域的研究人员共同参与并推进这一标准化进程。